پایان نامه پیش ­بینی میزان سپرده­ ها با استفاده از روش­ های خطی ARIMA و غیر خطی شبکه­ عصبی مصنوعی

پایان نامه پیش ­بینی میزان سپرده­ ها با استفاده از روش­ های خطی ARIMA و غیر خطی شبکه­ عصبی مصنوعی

پایان­نامه کارشناسی ارشد رشته مدیریت

عنوان پایان­نامه:

پیش ­بینی میزان سپرده­ ها با استفاده از روش­ های خطی ARIMA و غیر خطی شبکه­ های عصبی مصنوعی و مقایسه این دو روش

با فرمت قابل ویرایش word

تعداد صفحات: 120  صفحه

تکه های از متن به عنوان نمونه :

فهرست مطالب

1                   کلیات پژوهش.. 1

1.1         مقدمه.. 1

1.2       بیان مسئله.. 1

1.3       اهمیت- ضرورت پژوهش.. 2

1.4       اهداف پژوهش.. 3

1.5       سوالها و فرضیه های پژوهش.. 4

1.5.1         سئوالات.. 4

1.5.2         فرضیه ها.. 5

1.6       روش انجام پژوهش.. 5

1.7       قلمرو زمانی و مکانی پژوهش.. 6

1.8       جامعه آماری.. 7

1.9       روشهای گردآوری اطلاعات.. 7

1.10    تعریف واژه ها و اصطلاحات تخصصی پژوهش.. 7

2                   ادبیات پژوهش.. 10

2.1       مقدمه.. 10

2.2       پیش بینی و مدلهای پیش بینی.. 10

2.2.1         تعریف پیش بینی.. 10

2.2.2         مدل های پیش بینی.. 11

2.2.3         سری های زمانی.. 11

2.2.4         مدل باکس ـ جنکینز.. 13

2.2.5       شبکه های عصبی مصنوعی.. 16

2.2.6         ساختار کلی شبکه های عصبی.. 16

2.2.7         عملکرد شبکه های عصبی.. 18

2.2.8          مزایای استفاده از شبکه عصبی مصنوعی.. 19

2.2.9          انواع توابع تبدیل.. 21

2.2.10     انواع شبکه های عصبی.. 22

2.3       معیارهای ارزیابی خطا.. 25

2.4       تاریخچه بانکداری.. 28

2.4.1         آغاز بانکداری.. 29

2.4.2         موسسات مالی و بانکها.. 29

2.4.3          اهداف وظایف امروزی بانکها.. 30

2.4.4         انواع سپرده ها.. 31

2.5       پیشینه پژوهش.. 35

2.5.1         مطالعات داخلی.. 35

2.5.2         مطالعات خارجی.. 42

3                   روش شناسی پژوهش.. 49

3.1         مقدمه.. 49

3.2       بخش اول کلیات روش پژوهش.. 49

3.2.1         جامعه آماری پژوهش.. 49

3.2.2         قلمرو پژوهش.. 50

3.2.3         اهداف پژوهش.. 50

3.2.4         سوالات و فرضیات پژوهش.. 51

3.2.5         مراحل انجام کار در این پژوهش.. 52

3.2.6         روش تحلیل داده ها.. 53

3.2.7       روش های مورد بررسی.. 53

3.2.8         فرایند خودرگرسیون میانگین متحرک انباشته (آریما).. 55

3.2.9         روش های مبتنی بر شبکه های عصبی.. 57

3.2.10      مدل شبکه های عصبی پروسپترون چند لایه.. 59

3.2.11      ارزیابی عملکرد مدل ها.. 60

3.2.12      توابع مورد استفاده برای ارزیابی خطا.. 60

4                   تحلیل داده ها.. 61

4.1         مقدمه.. 61

4.2       پیش بینی سپرده قرضالحسنه پس انداز.. 62

4.3       پیش بینی سپرده های جاری.. 64

4.4       پیش بینی سپرده های سرمایه گذاری کوتاه مدت.. 67

4.5       پیش بینی سپرده های سرمایه گذاری بلند مدت یک ساله.. 69

4.6       پیش بینی سپرده های سرمایه گذاری بلند مدت دو ساله.. 72

4.7       پیش بینی سپرده های سرمایه گذاری بلند مدت سه ساله.. 74

4.8       پیش بینی سپرده های سرمایه گذاری بلند مدت چهار ساله   76

4.9       پیش بینی سپرده های سرمایه گذاری بلند مدت پنج ساله   79

4.10    پیش بینی مجموع سپرده های ریالی.. 82

4.11    پاسخ فرضیه ها.. 84

5                   نتیجه گیری.. 86

5.1         مقدمه.. 86

5.2       نتایج و یافته های پژوهش.. 87

5.3       محدودیت های پژوهش.. 89

5.4         پیشنهادات.. 90

5.4.1         پیشنهادات اجرایی.. 90

5.4.2         پیشنهادات برای پژوهش های آتی.. 90

6                  فهرست منابع و ماخذ.. 92

1        کلیات پژوهش

1.1                مقدمه

باتوجه به اینکه تجهیز منابع و جمع­آوری وجوه اشخاص اولین هدف بانک بوده، سپرده­های بانکی از دو لحاظ دارای اهمیت است اول قدرت وام­دهی و تخصیص منابع بانک را افزایش داده و دوم اینکه وقتی مردم ترجیح دهند پول خود را نزد بانک­ها نگهداری نموده وکمتر برای خرج آن اقدام نمایند، از حجم پول در گردش کاسته شده که این امر خود موجب کاهش نرخ تورم و در نتیجه افزایش قدرت خرید مردم می­گردد.

امروزه در جهان نیز اهمیت جذب منابع مالی آنقدر برای بانک­ها و ادامه فعالیتشان مهم و حیاتی است که رقابت بسیارشدیدی را در این زمینه بین آنها ایجاد نموده و ضرورت پیش­بینی میزان تجهیز منابع در آینده را نمایان ساخته است. تاجایی که توانایی پیش­بینی صحیح نتایج آتی، به خصوص جریان­های نقدی، اداره امور را در کاراترین شکل خود امکان پذیر می­سازد و به اتخاذ تصمیم­های بهینه در زمینه عملیاتی، سرمایه­گذاری و تامین مالی منجر می­شود.

1.2                بیان مسئله

روشن است که پیش­بینی[1] از ملزومات اصلی برای سیاستگذاری و برنامه­ریزی آینده است. مدیران بخش­های مختلف اقتصادی و بازرگانی، به دلیل وجود انبوه متغیرهای تاثیرگذار، ترجیح می­دهند مکانیزمی را در اختیار داشته باشند که بتواند آنها را در امور تصمیم­گیری­شان یاری و مشاوره دهد(آرمسترانگ، 2001)[2]. برای موفقیت در دنیای متغیر امروز، تصمیم­های سازمان­های فعال در کسب­و­کار متکی به پیش­بینی­های انجام شده با حداقل خطا است که در گرو داشتن یک سیستم پیش­بینی مناسب است(آبراهام و لدالتر،1983)[3]. به همین دلیل، سعی در روآوردن به روش­هایی در پیش­بینی دارند که به واسطه آنها تخمین­هایشان به واقعیت نزدیک و خطاهایشان بسیارکم باشد. ضمن اینکه برای برنامه­ریزی صحیح به عنوان یکی از مهمترین وظایف مدیریت، پیش­بینی آنچه احتمالا درآینده به وقوع می­پیوندد بسیارضروری است. سپرده­های بانک­های تجاری و تخصصی مهم­ترین عامل در طرف عرضه پول در اقتصاد هستند. همچنین سپرده­ها جزء منابع اصلی بوده و عمده بدهی­های بانک­ها را نیز تشکیل می­دهند. تجزیه و تحلیل میزان سپرده­ها، اجزای آنها، تغییرات، نرخ رشد و پیش­بینی هر کدام از این عوامل برای مدیران بانک ها از اهمیت فوق­العاده­ای برخورداراست و در تصمیم­گیری و برنامه­ریزی به آنها کمک می نماید. میزان، روند و چگونگی تغییرات انواع سپرده­ها هرکدام متغیری تصادفی بوده و در دنیای پر از نااطمینانی، تحت تـأثیر عوامل بیشماری قرار دارند و به سادگی   نمی­توان آنها را پیش­بینی کرد. با این وجود در اغلب رشته­های علمی توجه خاصی به مسأله پیش­بینی شده و جزء لاینفک هرکدام از آنها است. تکنیک­ها و روش­هایی نیز برای امر پیش­بینی ارایه شده است و اگر نه به طور کامل اما تا حد بسیار زیادی می­توانند در امر پیش­بینی به تصمیم­گیران کمک نمایند.

مدیران بانک­ها علاقمندند بدانند که میزان کل سپرده­های بانک تحت مدیریت آنها در زمان معینی در آینده چقدر خواهد بود؟

پیش­بینی میزان سپرده­ها می­تواند در امر برنامه­ریزی و تصمیم­گیری به بانک سامان و مدیران شعب آن کمک نماید، بنابراین انجام یک مطالعه علمی با استفاده از تکنیک­های آماری و مدل­های شبکه عصبی مصنوعی   می­تواند حل مشکل را ساده­تر نماید.

و......